一种基于数字孪生技术和改进版YOLO v10算法检测烟草收割机运行质量的方法
《Computers and Electronics in Agriculture》:A method for detecting the operational quality of tobacco harvesters based on digital twin and an improved YOLO v10
【字体:
大
中
小
】
时间:2026年01月04日
来源:Computers and Electronics in Agriculture 8.9
编辑推荐:
烟草收获质量智能检测系统融合改进YOLOv10与数字孪生技术,通过SPPELAN、SFA、ASFF模块优化及ByteTrack算法实现动态目标精准识别与追踪,构建五维数字孪生场景实现三维可视化与实时定位反馈,实验表明mAP@0.5提升3.31%,有效解决传统检测效率低、主观性强问题,为烟草种植智能化管理提供技术支撑。
作者:邹泽坤、马二登、赵健、赵秋阳、刘家辉、赵东
北京林业大学技术学院,中国北京100083
摘要
烟草是一种重要的经济作物,烟草收割机的作业质量直接影响烟草的经济效益和加工质量。因此,准确高效地检测漏收的烟草植株、掉落的烟草叶以及受损的烟草茎秆问题具有重要意义。目前,传统的人工检测方法效率低下且具有主观性,难以满足现代农业精细化管理的需求;尽管基于深度学习的目标检测模型逐渐兴起,但仍然缺乏专门针对烟草收割的检测技术和系统。在这项研究中,我们提出了一种烟草收割质量检测系统,该系统整合了改进的YOLOv10模型和数字孪生技术。在YOLOv10的基础上,结合了SPPELAN、SFA和ASFF模块,并与ByteTrack多目标跟踪算法相结合,实现了对作业异常的准确识别和稳定跟踪。同时,基于数字孪生的五维模型构建了虚拟烟草田环境,并将实时检测结果映射到虚拟空间中,完成了异常检测结果的三维可视化、精确定位和反馈。实验结果表明,该系统在作业质量检测方面的mAP@0.5提高了3.31%,显著提升了烟草田作业质量问题的智能检测和管理水平,为烟草种植的智能评估提供了可靠的技术支持。
引言
烟草是全球经济活动的基石,其产品对国际贸易和消费做出了巨大贡献(Chen等人,2025年;Feng等人,2025年;Wang等人,2024c年),高质量的烟草产品直接关系到烟草产业的经济效益和市场竞争力(Mai等人,2025年)。近年来,随着全球对高质量烟草需求的持续增长(Lin等人,2025年),如何有效提高烟草收割过程的作业质量逐渐成为研究的重点。然而,传统的人工检测方法存在效率低、主观性强、劳动力成本高等明显缺点,难以满足现代农业精细化管理的需求,因此迫切需要引入更多自动化和智能化的检测手段。
随着深度学习技术的快速发展,基于目标检测模型的作物识别和质量检测研究逐渐兴起并取得了一定成果。例如,Chen等人提出了一种基于YOLOv4的杂草检测系统,显著提高了芝麻田中杂草的识别准确性(Chen等人,2022年)。随后,Du等人开发了一种基于YOLOv7的草莓果实检测方法,Liu等人提出了一种新的葡萄检测模型YOLOX-RA,能够在不同遮挡程度下实现快速检测(Du等人,2023年;Liu等人,2024年)。然而,上述大多数研究主要关注目标识别和检测,尚未涉及目标的连续跟踪和精确计数。
为了解决这些问题,一些研究人员进一步关注了农田环境中的精确计数和连续跟踪技术。例如,Meng改进了YOLOv7模型,并利用改进的DeepSORT算法实时统计了不同成熟度的樱桃番茄的数量(Meng等人,2024年)。Jiang等人提出了一种重叠分割检测方法,并结合PSOPDCM和YOLOv8开发了无人机(UAV)视频算法,用于西瓜的检测和计数(Jiang等人,2024年)。Yang等人提出了一种基于深度学习的方法,结合匈牙利匹配和卡尔曼滤波算法,实现了准确可靠的茶芽计数(Li等人,2023年)。然而,这些研究在复杂田间动态场景中对实时目标的连续跟踪和精确计数仍存在局限性,尤其是缺乏与数字孪生等新兴技术的深度整合,难以实现作业全过程的智能管理和可视化。
数字孪生技术的发展为农业作业质量检测和管理提供了新的思路。最近,多项研究展示了数字孪生在农业领域的巨大潜力。例如,Pankaj等人开发了一种无人机系统和机器学习驱动的数字孪生框架,用于预测生长季节各种棉花作物的特征(Pal等人,2025年)。Xu等人提出了基于DSSAT框架的小麦生长数字孪生模型,有效模拟了小麦生长并提出了针对不同冬小麦品种的最佳管理策略(Xu等人,2025年)。Liu等人利用虚拟现实技术成功模拟了棉花的虚拟生长过程,实现了植物-水分动态的可视化分析(Liu等人,2025年)。然而,这些研究主要关注环境监测和资源优化,尚未充分整合目标检测、跟踪和计数技术,难以实现对复杂田间作业质量问题的全面实时监测。
针对烟草作物,近期研究将深度学习应用于烟草叶片成熟度判别、病虫害识别以及田间管理决策支持等任务。Arsalan等人结合YOLOv5和YOLOv6以及分割技术,从无人机图像中检测烟草植株,并实现了实时精准喷洒,提高了检测准确性同时减少了农药使用(Arsalan等人,2024年)。Dai等人设计了多尺度分支注意力网络(MSBANet),用于在自然田间条件下分类烟草叶片成熟度,以支持烟草收割机器人(Dai等人,2024b年)。Lin等人提出了CAMFFNet模型,利用基于坐标注意力的多特征融合技术在复杂田间环境中实现烟草病害的鲁棒识别(Lin等人,2022年)。尽管这些方法展示了深度学习在烟草相关场景中的有效性,但主要关注叶片级别的表型或健康状况评估和决策制定,而非全田间作业过程中作业质量的实时定量监测。
鉴于上述问题和不足,本研究提出了一种烟草收割质量检测方法,将改进的YOLOv10模型(Redmon等人,2016年;Wang等人,2024a)与数字孪生技术相结合。YOLOv5、YOLOv8和YOLOv9(Meng等人,2025年;Wang等人,2025年;Wang等人,2022年)广泛应用于各种目标检测任务,在相对静态环境中表现良好,但在应用于农业田间等动态、大规模监测场景时面临挑战。这是因为这些模型主要针对更受控制的环境进行优化。相比之下,YOLOv10采用了更高效、更简洁的设计,解决了先前模型的局限性,满足了复杂动态环境中的实时检测需求。通过取消非最大值抑制(NMS)步骤并采用双重标签分配,YOLOv10显著降低了推理延迟,更适合实时、大规模的烟草收割质量监测。具体而言,在YOLOv10的基础上整合了SPPELAN、SFA和ASFF模块,并与ByteTrack多目标跟踪算法相结合,实现了对烟草收割作业中各种异常的准确检测和稳定跟踪。此外,本研究基于数字孪生的五维模型构建了虚拟烟草田环境,利用UDP协议实现了田间检测数据与虚拟场景之间的实时同步映射,实现了异常检测结果的三维可视化和实时定位。系统向操作员提供了异常状态及其空间位置的实时反馈,操作员可以快速定位问题点并根据数字孪生场景提供的精确坐标进行有针对性的处理,从而完成从检测到干预的闭环管理。
通过算法创新和技术整合,本文显著提高了烟草收割作业中异常智能检测的效率和准确性,为推动烟草产业的智能化发展提供了可靠的技术支持和实践经验。本文的其余部分安排如下:第2节描述了基于五维模型的数字孪生系统的构建过程;第3节展示了改进的YOLO模型的消融实验结果、模型比较和田间验证;第4节包含研究工作的结论和讨论。
五维模型理论简介
五维数字孪生模型进一步推动了数字孪生技术在更多领域和场景中的应用(Tao等人,2022年;Tao等人,2018年)。该模型通过引入服务和服务数据等额外维度,扩展了传统的三维框架,使其能够处理更多来源的数据,增强了数字孪生技术的应用能力。
消融实验
为了验证所提出改进措施的有效性,我们进行了一系列消融实验。所有模型的训练参数和数据集保持一致,以确保公平比较。SPPELAN、SFA和ASFF组件逐步集成到YOLOv10模型中,每个生成的模型分别进行训练和评估,比较结果见表2。
从表2可以看出,在引入这些组件后,精确度提高了0.888。
讨论与结论
本研究重点关注烟草收割作业中关键作业质量状态的智能识别,如漏收的烟草植株、掉落的烟草叶和受损的烟草茎秆。提出了一种多模块融合检测模型SAS-YOLOv10s,用于不同类型的作业异常,并结合数字孪生平台实现了作业全过程的虚实映射。
CRediT作者贡献声明
邹泽坤:撰写 – 审稿与编辑、初稿撰写、验证、监督、调查。
马二登:撰写 – 审稿与编辑、概念化。
赵健:撰写 – 审稿与编辑、调查、概念化。
赵秋阳:验证、监督。
刘家辉:验证、监督、项目管理。
赵东:方法论、资金获取。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本工作得到了中国烟草总公司云南省分公司的支持,该项目属于云南省烟草科技计划的重要组成部分,项目编号:2024530000241018。我们衷心感谢中国烟草总公司云南省分公司对本文研究的财务支持和宝贵资源提供。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号